【低光图像增强】一个受生物启发(人类视觉系统HVS)的多曝光融合框架用于低光图像增强附Mtlab代码

最新推荐文章于 2025-12-02 15:51:34 发布

原创最新推荐文章于 2025-12-02 15:51:34 发布 · 654 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#数据挖掘

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

低光环境下的图像通常面临对比度低、噪声显著以及色彩失真等问题，严重影响图像的视觉质量和后续高级视觉任务的性能。传统的低光图像增强方法在处理极端低光照场景时往往力有不逮，难以在噪声抑制、细节保留和色彩保真之间取得良好平衡。受人类视觉系统（HVS）在不同光照条件下卓越适应能力的启发，本文提出了一种基于多曝光融合的低光图像增强框架。该框架旨在模拟HVS对不同曝光信息的整合机制，通过智能地融合多幅不同曝光程度的图像，有效提升低光图像的亮度、对比度，并有效抑制噪声。实验结果表明，本方法在主观视觉质量和客观评价指标上均优于现有先进技术，为低光图像增强提供了一种新颖且高效的解决方案。

关键词： 低光图像增强；人类视觉系统（HVS）；多曝光融合；生物启发；图像处理

1 引言

随着数字成像技术的飞速发展，图像和视频数据已成为我们日常生活中不可或缺的一部分。然而，在弱光环境下获取的图像往往面临严峻挑战。例如，夜间拍摄、室内低照度环境以及水下摄影等场景，由于光照不足，图像常常表现出亮度过低、对比度缺失、细节模糊、色彩失真以及噪声干扰严重等问题。这些问题不仅极大地损害了图像的视觉美观性，也对计算机视觉领域的诸多应用，如目标检测、图像识别、自动驾驶和医学影像分析等，带来了巨大的障碍。因此，低光图像增强技术的研究具有重要的理论意义和实际应用价值。

传统的低光图像增强方法主要包括直方图均衡化、伽马校正以及基于Retinex理论的方法。直方图均衡化通过重新分布像素亮度值来增强对比度，但容易引入噪声并可能导致局部过增强或欠增强。伽马校正则通过非线性映射调整图像亮度，操作简单，但对图像整体亮度的提升效果有限，且可能导致色彩失真。基于Retinex理论的方法，如单尺度Retinex（SSR）、多尺度Retinex（MSR）及其变体，通过将图像分解为反射分量和光照分量来增强图像，能够在一定程度上实现去雾和色彩恒常性，但往往面临光晕效应和对参数敏感的问题。

近年来，随着深度学习技术的兴起，基于深度学习的低光图像增强方法取得了显著进展。这些方法通常利用卷积神经网络（CNN）学习从低光图像到正常光图像的映射，展现出强大的特征学习和非线性映射能力。然而，深度学习方法通常需要大量的配对训练数据，获取高质量的低光-正常光图像对数据集成本高昂且具有挑战性。此外，模型的泛化能力受限于训练数据的多样性，在面对训练数据之外的极端低光环境时，性能可能会下降。

人类视觉系统（Human Visual System, HVS）在复杂且多变的光照条件下展现出卓越的适应性和鲁越性。HVS能够通过一系列复杂的生理和心理机制，如瞳孔调节、视网膜适应、神经信号处理和大脑高级认知，有效地感知和解释不同光照水平下的场景信息。特别是在低光环境中，HVS能够整合来自不同时间或空间的信息，从而在亮度、对比度和细节感知上达到良好的平衡。这种生物学上的优越性为低光图像增强算法的设计提供了重要的启发。

受HVS多曝光信息整合机制的启发，本文提出了一种新颖的基于多曝光融合的低光图像增强框架。该框架旨在模拟HVS在处理低光图像时的信息融合策略，通过获取同一场景多幅不同曝光程度的图像（可以是真实拍摄或通过算法生成），并设计精巧的融合策略，以期在增强图像亮度和对比度的同时，有效地抑制噪声，并保留图像的丰富细节和真实的色彩信息。

2 相关工作

2.1 传统低光图像增强方法

直方图均衡化（Histogram Equalization, HE） 是一种常用的图像对比度增强技术，其核心思想是通过重新分布图像像素的灰度级，使图像的直方图尽可能平坦，从而达到增强图像对比度的目的。虽然HE操作简单，计算效率高，但它对全局对比度进行增强，容易导致图像亮度过高或过低区域的过增强或欠增强，且会放大图像中的噪声，使得图像细节丢失。自适应直方图均衡化（Adaptive Histogram Equalization, AHE）和限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE）通过对图像局部区域进行直方图均衡化，在一定程度上解决了全局HE的问题，但仍然无法完全避免噪声放大和细节损失。

伽马校正（Gamma Correction） 是一种非线性亮度调整方法，通过幂函数对图像像素值进行映射。当伽马值小于1时，图像亮度会增加，反之则降低。伽马校正实现简单，可以快速调整图像的整体亮度，但它通常无法有效处理对比度不足和色彩失真的问题，且容易导致图像局部区域的亮度过高或过低，进而丢失细节。

基于Retinex理论的方法 Retinex理论认为人眼感知的颜色是物体对光线的反射属性，与环境光照无关。图像可以分解为反射分量和光照分量，其中反射分量包含了物体的本质信息，而光照分量则代表了环境光照的影响。基于Retinex理论的方法旨在从图像中去除光照分量，从而获得光照不变的反射分量。单尺度Retinex（SSR）和多尺度Retinex（MSR）是其中最具代表性的方法。MSR通过在不同尺度下对图像进行高斯模糊，然后将不同尺度的结果加权平均，以期在去除光照的同时，保留图像细节。然而，这类方法容易产生光晕效应，且对参数的选择较为敏感。许多改进的Retinex模型，如MSRCR（Multi-Scale Retinex with Color Restoration）等，通过引入色彩恢复因子来改善色彩失真问题。

2.2 多曝光融合方法

多曝光融合（Multi-Exposure Fusion, MEF）技术最初主要应用于高动态范围（HDR）成像，其目的是将多幅不同曝光的图像融合成一幅具有更广阔动态范围和更丰富细节的图像。MEF方法的核心思想是利用不同曝光图像的互补信息：欠曝光图像保留高光区域的细节，而过曝光图像则能揭示阴影区域的信息。

早期的MEF方法主要基于加权平均策略，通过设计合适的权重图来融合不同曝光图像的像素。这些权重通常依据像素的亮度、对比度、饱和度以及图像梯度等特征来计算。例如，Mertens等人提出的基于高斯/拉普拉斯金字塔的多分辨率融合方法，通过在不同分辨率层级上进行融合，有效保留了图像细节。然而，这些方法在处理存在显著运动的场景时可能会产生鬼影，并且对权重图的设计依赖性较强。

近年来，随着深度学习在图像处理领域的广泛应用，基于深度学习的多曝光融合方法也取得了显著进展。这些方法通常利用卷积神经网络学习不同曝光图像之间的复杂关系，并生成高质量的融合结果。例如，一些方法使用CNN直接学习融合映射，而另一些方法则将融合过程分解为多个子任务，如特征提取、权重预测和细节增强等。深度学习方法在融合效果上往往优于传统方法，但同样面临训练数据获取困难和模型泛化能力的问题。

尽管MEF技术在HDR成像中取得了成功，但将其直接应用于低光图像增强仍面临挑战。低光图像不仅亮度不足，还伴随着严重的噪声和色彩失真。简单地将MEF应用于低光图像可能会放大噪声或引入新的伪影。因此，需要设计一种专门针对低光图像特点的多曝光融合框架。

3 受HVS启发的多曝光融合框架

受HVS在处理不同光照信息时卓越能力的启发，本文提出的低光图像增强框架旨在模拟HVS对多曝光信息的整合机制，通过智能地融合多幅不同曝光程度的图像，以期在增强低光图像的同时，有效抑制噪声，并保留图像的细节和色彩信息。该框架主要包含以下三个核心模块：多曝光图像生成模块、HVS感知特征提取模块和自适应融合模块。

3.1 多曝光图像生成模块

由于真实场景中很难获取同一场景的多张不同曝光度的低光图像，因此本框架首先需要通过算法生成多张具有不同曝光程度的图像。这一模块的目的是模拟HVS在不同光照适应状态下对场景的感知。

3.2 HVS感知特征提取模块

本模块旨在从生成的每幅虚拟曝光图像中提取与HVS感知质量高度相关的特征。HVS在评估图像质量时会考虑多个方面，包括亮度、对比度、细节丰富度和噪声水平等。因此，我们选择以下特征作为融合的依据：

3.2.1 亮度与对比度特征

HVS对图像的亮度和对比度非常敏感。在低光图像中，我们希望融合后的图像能够具有合适的亮度和高对比度。我们计算每个像素在不同曝光图像中的局部亮度和对比度。

3.2.2 细节与结构特征

HVS对图像的边缘和纹理细节具有很高的感知能力。在融合过程中，我们希望能够保留并增强这些重要的结构信息。

梯度信息（Gradient Magnitude）：
图像梯度能够有效地捕捉图像的边缘和纹理信息。我们计算图像在水平和垂直方向的梯度，并计算其幅值：

3.2.3 噪声感知特征

低光图像中不可避免地存在噪声。HVS在感知噪声时会权衡噪声水平和图像内容的细节程度。在融合时，我们希望能够抑制噪声，同时避免对细节的过度平滑。

局部平滑度（Local Smoothness）：
我们可以通过计算局部区域的像素值方差或局部高斯滤波后的残差来估计噪声水平。较小的方差或残差可能意味着该区域较为平滑，可能包含较少细节但可能存在噪声。

3.3 自适应融合模块

该模块是本框架的核心，旨在模拟HVS对不同曝光信息的自适应整合过程。我们基于HVS感知特征，为每幅虚拟曝光图像的每个像素分配一个权重，然后通过加权平均的方式进行融合。

3.3.1 权重图生成

4 讨论与未来工作

本文提出的受HVS启发的多曝光融合框架为低光图像增强提供了一种有效的新方法。该方法通过模拟HVS对多曝光信息的整合能力，克服了传统方法和部分深度学习方法在处理极端低光和噪声方面的局限性。然而，本方法仍存在一些可以改进和探索的方向。

多曝光图像生成策略： 目前我们采用伽马校正来生成虚拟曝光图像，这种方法简单有效，但可能无法完全模拟HVS在不同光照条件下的复杂适应过程。未来的工作可以探索更复杂的曝光生成模型，例如结合物理成像模型或基于学习的方法，以生成更具多样性和真实感的多曝光图像。

HVS感知特征的进一步研究： HVS是一个极其复杂的系统，我们目前只考虑了亮度、对比度、梯度和局部平滑度等基本特征。未来的研究可以深入挖掘更多与HVS感知相关的特征，例如色彩感知、空间频率特性、以及对运动和深度的感知等，从而设计更精细的权重图。

动态场景的处理： 本方法目前主要适用于静态场景的低光图像增强。对于包含显著运动的动态场景，多曝光图像的生成和融合可能会引入鬼影。未来的工作可以考虑引入运动补偿技术或设计专门针对动态场景的融合策略，以解决这一问题。

计算效率优化： 虽然本方法在性能上表现优异，但在计算效率方面仍有提升空间。特别是对于实时应用，需要对算法进行优化，例如采用更高效的特征提取方法、简化权重图生成过程或利用并行计算等技术。

深度学习与HVS结合： 未来可以探索将深度学习技术与HVS启发的方法相结合。例如，可以使用深度神经网络学习更优的HVS感知特征或自适应融合权重，从而进一步提升增强效果并提高模型的泛化能力。

5 结论

本文提出了一种受人类视觉系统（HVS）启发的多曝光融合框架，用于低光图像增强。该框架通过模拟HVS对不同曝光信息的整合机制，实现了低光图像的亮度、对比度和细节的有效提升，并显著抑制了噪声。实验结果表明，本方法在主观视觉质量和客观评价指标上均表现出色，优于现有的多种主流方法。本研究为低光图像增强提供了一种新颖、高效且具有生物学合理性的解决方案，具有广阔的应用前景。未来的研究将致力于进一步优化框架的各个模块，以期在更广泛的场景中实现更卓越的性能。